A MULTI-EXPOSURE IMAGE FUSION BASED ON THE ADAPTIVE WEIGHTS REFLECTING THE RELATIVE PIXEL INTENSITY AND GLOBAL GRADIENT 论文复现

由于相机和显示设备的动态范围远小于人眼可识别的动态范围，相机获取到的图像往往不能兼顾亮部细节与暗部细节。多曝光图像融合可以解决上述问题，但目前该方法大多基于相机与目标场景相对静止的前提。文中通过结合图像配准和图像融合，实现一个可以处理运动相机拍摄的多曝光图像的融合系统。首先，配准模块提取SURF特征点，进行欧式距离粗匹配；其次，配准模块利用RANSAC算法进行精匹配，提取变换模型参数并进行投影变换以矫正图像；最后，融合模块利用金字塔融合法融合已配准图像。实验结果表明该系统可有效矫正图像空间位置偏差，扩大图像的动态范围，提高图像质量。

多曝光图像融合代码，文章为“ A Precise Multi-Exposure Image Fusion Method Based on Low-level Features” 仅用于科研用途，如果使用，请引用论文： Qi, G.; Chang, L.; Luo, Y.; Chen, Y.; Zhu, Z.; Wang, S. A Precise Multi-Exposure Image Fusion Method Based on Low-level Features. Sensors 2020, 20, 1597. BIBTEX: @Article{s20061597, AUTHOR = {Qi, Guanqiu and Chang, Liang and Luo, Yaqin and Chen, Yinong and Zhu, Zhiqin and Wang, Shujuan}, TITLE = {A Precise Multi-Exposure Image Fusion Method Based on Low-level Features}, JOURNAL = {Sensors}, VOLUME = {20}, YEAR = {2020}, NUMBER = {6}, ARTICLE-NUMBER = {1597} }

DSIFT_EF_SIFT特征_融合_基于SIFT特征的多曝光图像融合_多曝光_DSIFT_源码.zip

该文件包含了本论文的MATLAB代码，即无重影多曝光图像融合技术，采用了密集的SIFT描述符和导引滤波器。 The file contains the MATLAB code of our paper Ghost-free multi exposure image fusion technique using dense SIFT descriptor and guided filter. 参考文献： Hayat, Naila, and Muhammad Imran. “Ghost-Free Multi Exposure Image Fusion Technique Using Dense {SIFT} Descriptor and Guided Filter.” Journal of Visual Communication and Image Representation, vol. 62, Elsevier {BV}, July 2019, pp. 295–308, doi:10.1016/j.jvcir.2019.06.002.

在传统的多曝光图像融合方法中,一旦目标发生移动则会在最终融合图像中出现“鬼影”现象。现有的去“鬼影”算法大部分都继承了参考图像中的大量信息,倘若参考图像中出现曝光不足/曝光过度现象,便会影响到最终的融合结果。基于此,提出了一种基于图像块分解的多曝光图像融合去鬼影算法。首先将参考图像划分为曝光正常及曝光不足/过度两大区域,并有针对性地对这两部分区域进行处理。为了更加精准地检测出鬼影区域,将多曝光图像块分解成信号结构、信号强度和平均强度3个概念相独立的部分,采用图像块结构一致性检测的方式来进行鬼影检测。最后,去除结构不一致的图像块并对这3个部分分开融合,重构所需图像块并将其聚合至最终融合图像。实验结果表明,与现有的去“鬼影”算法相比,所提算法取得了更好的视觉效果,且计算效率得到了较大提升。

人工智能-图像处理-CF-Net-多曝光图像融合及超分辨的联合实现

matlab开发-基于多曝光图像融合的光照估计。融合高动态范围（HDR）场景中两个或多个不同曝光图像的功能。

这是多曝光图像融合源码，编程语言为matlab。下载解压后直接运行。

用于多曝光图像融合，本文算法，利用了人眼视觉识别的特点进行了显著性分析，并以此作为权重进行融合。